人工智能与数据发展 - 香港必须建立自主的算力设施以充分释放人工智能和数据的潜力 [1] - 数码港人工智能超算中心首阶段设施已在2023年底投入服务 目前算力服务使用率超过90% [1] - 香港推出30亿港元"人工智能资助计划" 已批出10个项目涵盖本地大语言模型、新材料、医学等领域 [1] - 超算中心算力预计年内增加至3000 PFLOPS 以带动更多技术创新与突破 [1] 数据开放与治理 - 香港通过"开放数据平台"免费提供超过5500个数据集 涵盖交通、环境、人口等不同范畴 [1] - 数据来自110个政策局、港府部门及公私营机构 协助业界推动创新应用项目 [1] - 2023年发布《数据治理原则》 旨在提升数据质量、促进流通共享、加强数据保护 [1] 跨境数据流动与合作 - 港府2023年与国家网信办签署《促进粤港澳大湾区数据跨境流动的合作备忘录》 [2] - 推出《粤港澳大湾区个人信息跨境流动标准合同》便利措施 已推展至各行各业 [2] - 促进大湾区数据安全跨境流动有利于人工智能发展 [2] 生成式人工智能规范 - 数字政策办公室2024年4月发表《香港生成式人工智能技术及应用指引》 [2] - 旨在促进业界与公众以安全及负责任的方式发展及应用生成式AI技术 [2] - 相关指引和措施可提供安全、可靠及可持续的AI发展环境 [2] 人工智能与数据协同效应 - 人工智能与数据的关系不仅是"加法"更是"乘法" [3] - 香港将充分发挥国际数据港优势 鼓励AI创新突破 [3] - 目标是在"一国两制"下打造香港及大湾区成为国家AI发展重要基地 [3]

数据治理行业背景 - 数据成为工业企业创新与竞争的核心要素，工业4.0、智能制造等技术推进加深企业对数据的依赖 [1] - 工业企业数据治理面临四大挑战：数据质量低下、数据孤岛严重、安全合规风险加剧、治理效果难以持续 [1] - 国际数据治理协会(IDGA)发布《2025工业企业数据治理实践指南》，提出"1-1314架构"解决方案 [1] "1-1314"架构核心价值 - 通过四重质量防护机制实现95%以上的数据问题解决率，确保全流程高质量 [2] - 全生命周期覆盖形成治理闭环，使数据治理从"一次性工程"变为持续优化过程 [3] - 融合DAMA国际理论与DCMM本土标准，某企业应用后数据准确率提升至99.6%并通过DCMM五级认证 [3] 架构五大模块体系 - 建立数据管理体系：明确组织责任、统一标准、强化质量管控 [3] - 构建多层次安全防护体系：覆盖终端设备、网络传输到数据库存储的全方位保护 [3] - 提供三大服务支撑：满足业务系统需求、管理层决策支持及数字化转型助力 [4] - 设计四重质量防护机制：在数据采集、处理、应用等关键环节设置质量关卡 [4] 六大核心实践场景 - 重构数据标准体系确保质量可控可持续 [6] - 构建360度全视角管控的静态数据中心 [6] - 实施技术+行为双维治理强化源头责任 [6] - 建立基于大数据行为分析的质量监测平台 [6] - 推进基于场景的数据服务实现资产共享 [6] - 通过知识体系赋能团队构建独立治理能力 [6] 行业未来发展方向 - 向内探索精细化治理：通过智能算法实现数据质量根源性治理 [7] - 向外拓展智能化边界：运用AI等技术提升治理效率 [7] - IDGA将持续联合产业界优化架构，助力企业数字化转型 [7][8]

项目中标与实施 - 神州控股旗下神旗数码中标签约湖北省水利厅智慧江汉平台项目 将为该平台打造数据集成平台以解决数据汇聚瓶颈问题 [1] - 项目基于国家技术发明奖一等奖成果转化的燕云DaaS技术 实施无侵入式数据对接服务 无需原系统开发商配合或开放数据库权限即可完成数据汇聚和共享 [1] - 湖北作为长江中游核心地带和千湖之省 是全国水资源最富集的地区之一 该项目对公司在全国推广解决方案具有标杆效应 [1] 技术能力与行业地位 - 公司拥有覆盖数据采集、治理、分析及应用全生命周期的产品和技术能力 基于燕云DaaS升级研发燕云Infinity智能化软件平台 可实现近百种数据源类型的适配 处于行业领先水平 [2] - 通过高效数据治理形成高质量数据基础 基于MCP协议为AI应用提供标准数据支撑 实现AI驱动决策和运营 [2] - 此前已在吉林成功交付智慧水利平台建设项目 打造三算一体平台 在提升水利设施预报、预警、预演、预案能力方面经验丰富 [2] 行业发展与市场机会 - 2025年1至4月全国完成水利建设投资2943.6亿元 实施各类水利项目2.68万个 其中新开工项目11149个 [2] - 水利部正聚焦国家水网建设精准发力 加快两重建设水利重大项目实施 [2] - 随着全国水利项目加速进展 公司将在智慧水利领域发挥更大价值 [2]

纪要涉及的公司 普天科技 纪要提到的核心观点和论据 - **卫星互联网布局**：从 5G 向 6G 发展，顺应空天地一体化趋势，关注低轨道卫星行业应用，提供应急通信及专网窄带整体解决方案，看好北斗系统发展，涉及行业应用终端、模组及芯片等领域，与中国星网、盈信等合作，覆盖卫星建设、系统集成、终端及地面测试服务等方面[2][3][7] - **空间智算合作**：与之江实验室、汉轩光联、亿芯等合作，成立企业研发中心，提升激光和微波复合技术，探索星间星地高速传输，结合存算一体架构，研究空间资源市场化配置，推动空天算力商业落地[2][5] - **应用终端技术进展**：研究天线和终端处理技术，开发出直连卫星的终端样机并进行验证试验，以适应未来定制业务发展需求[2][8] - **特种 PCB 板业务**：订单增量明显，受益于军工航天需求、智能化、无人化及空间一体化趋势，预计未来五年内保持增长，珠海二期项目进行设备和场地更新，提升产能[2][9] - **公网通信业务展望**：2025 年优化布局，推进运营商集采，与中国移动合作拓展 5G 加行业、车联网等业务，受益于海外 5G 建设，预计业务稳步发展[4][11] - **国外业务收入增长原因**：拓展与法亚、中兴等合作伙伴关系，扩大当地运营商业务，当地数字化及 5G 网络建设初期阶段带来正向贡献，装网产品解决方案在海外销售落地[12] - **应急板块布局**：包括咨询规划设计、应急通信产品与解决方案、安全监管平台建设，在多地有落地项目[13] - **通信板块收入下降原因**：2024 年部分涉及国家财政紧张地区收缩相关业务，轨道交通及智慧轨交拓展未达预期，去年下半年开始合同额签订，今年上半年订单情况有所改善[14] - **数据治理业务情况**：布局数据治理平台、服务及综合解决方案，在南昌和宁夏市场监管局实现业务落地，大数据治理平台在用户仓储领域深度应用，对接国家数据局等推进数据池和数据要素相关工作，已签订显性合同并产生收入[15] - **低空经济领域布局**：参与电科集团低空专班工作，承担总体规划咨询角色，基于专网通信技术提供低空通信建设及无人监测解决方案，推进湾区低空经济发展[16] - **资本运作规划**：未来继续拓展信息通信领域，从 5G 到 6G 空间一体化方向，通过内生和外延方式推动发展，在智能制造等领域积极谋划资本运作，发挥上市公司平台作用[17] - **发展机遇**：卫星互联网和空天智算带来全新重要发展机遇，为公司未来发展提供动力，拓展业务范围和市场影响力[18] 其他重要但是可能被忽略的内容 - 视频器件业务曾是华为和中兴最大的供应商，现积极拓展军工领域业务，整体规模不大，但在细分领域有较好行业地位和客户基础，对全局贡献相对较小[10]

上合组织数字经济论坛核心观点 - 2025上合组织数字经济论坛在天津开幕 聚焦产业数字化转型、数字技术应用和数据价值挖掘等热点话题 [1] - 上合组织成员国在数字基建、传统产业转型、电子商务、数字支付、大数据应用等领域已开展广泛合作 未来将围绕产品、技术、服务要素深化数字经济合作 [3] - 中国发布《中国—上海合作组织数字技术工具箱》 包含50多项数字公共产品 将推出数字经济发展行动计划赋能产业转型 [5] 数字技术合作与产业转型 - 中国与柬埔寨合作建设互联网骨干网和光纤连接 加强数字基础设施互联互通 [9] - 数字技术在各个经济领域应用潜力巨大 教育和人才培养成为关键发展议题 [11] 数字经济发展成果与展望 - 数字化已深度改变生产方式和民生福祉 中国作为轮值主席国为上合组织数字经济发展注入动力 [13] - 论坛探讨数据治理、跨国人才培养、数字基建开放合作等议题 推动共建互惠开放的数字经济空间 [7][13]

行业动态 - 保险与精算四十人论坛青年论坛2025年年会在南开大学举行，主题为"数智赋能与保险新质生产力"，汇聚保险、科技、医疗等领域专家 [1] - 会议聚焦"保险科技与新质生产力创新""生成式AI和大数据在保险经营中的应用"等议题，探讨保险业数智化转型与创新发展 [1] 公司动态 - 镁信健康首席商务官郎立良受邀参会并发表《从数据到智能体:生成式AI如何赋能保险服务链路》主题演讲 [3] - 镁信健康构建了以mind42.ai为核心的AI模型体系，提供一站式医疗健康服务和保险支付服务 [5] 技术应用 - 生成式AI技术为保险服务链路优化与创新提供动力，正在重塑理赔审核、客户健康管理、风险控制、产品定价等环节 [5] - 数据治理是AI应用的关键，镁信健康通过多方合作优化数据治理流程，为AI模型训练提供坚实基础 [5]

人工智能+典型案例 - 广州市发布第二批"人工智能+"典型案例共34个，涵盖制造、安全、教育、医疗等领域[1][2] - 入选案例均为已落地项目，突出制造、安全、教育、医疗四大垂直领域，国企、民企、运营商参与均衡[2] - 典型案例包括知行机器人的"天空地一张图智能平台"提升公安打私等场景效率超40%[1][2]，中山六院生殖中心AI客服实现98.5%问答准确率[3]，乐庚"无感知AI数字课堂"提升课堂效率30%[3] 人工智能技术应用成效 - 平云模型开放服务平台支持30分钟快速构建大模型[1] - 趣丸科技"穗小信"数字人客服融合AI技术使政务咨询效率提升70%、政策知晓率达98%，带动企业数字化投入超2亿元[3] - 广州烟草廉洁风险识别平台、南方航空特权账号管理系统等安全类AI应用入选典型案例[7][8] 数据治理与DCMM发展 - 广州DCMM三级以上单位数量达77家，全国第一[5] - DCMM贯标企业数量从2011年116家增至2024年5760家[5] - 数据治理成为企业必修课，需通过人才培育、价值挖掘、市场布局三位一体推动传统行业落地[6] 垂直领域AI赋能方向 - 制造业因环节复杂成为AI赋能难点，但提升空间显著[4] - 广州聚焦垂直大模型发展，通过算力券、模型券等政策支持企业投入[5] - 典型案例显示AI在医疗(智能诊断)、教育(课堂批阅)、政务(政策服务)等场景实现技术突破[3][7][8]

数据要素×行动实施情况 - 国家数据局正在抓紧编制"数据要素×"应用场景指引，强化场景牵引，持续推进公共数据"跑起来"示范场景建设 [1] - 中央企业成立数字科技类公司近500家，约66%的行业龙头企业购买过数据，数据开发利用热情不断提升 [1] - 一批以数据为主营业务的企业成功上市，显示出数据企业发展潜力和活力 [1] 数据要素赋能效果 - 工业领域大型龙头企业通过汇聚产业链数据，实现高端产品研发周期、采购交付周期缩短30%以上，库存周期从3个月降低到1个月 [2] - 农业领域种植企业通过数据赋能施肥环节，综合提升产量5.5%，养殖企业实现海洋牧场海洋生物资源总量增加5.3倍 [2] 数据要素×大赛应急管理赛道 - 2025年"数据要素×"大赛应急管理赛道设置"提升安全生产监管能力""提升自然灾害监测评估能力""提升应急管理智能化水平"3个赛题方向 [1][4] - "提升安全生产监管能力"赛题方向围绕挖掘数据规律特征、探索数据融合分析、构建智能监管场景三个方面开展应用探索 [4] - "提升自然灾害监测评估能力"赛题方向从完善监测感知体系、提升预警响应时效、拓展救援评估方法三个方面开展应用探索 [4] - "提升应急管理智能化水平"赛题方向探索共建高质量数据集，拓展大模型智能化场景应用，推动智能机器人赋能实战化应用 [4] 数据要素发展措施 - 加快数据要素综合试验区创建，联合有关部门深入开展"数据要素×"试点，推动打破数据在重点场景应用的堵点难点问题 [3] - 构建全国统一的数据市场规则、设施和治理体系，繁荣培育市场经营主体，创造更加公平、更有活力的市场环境 [3] 数据要素×大赛特点 - 更加关注数据治理，注重标准体系建设、安全合规及高效流通，促进数据交易、交互、交换 [5] - 更加强调务求实效，通过强化场景的引领作用、问题导向及效益目标，打造"供数一用数一收益"价值闭环 [5] - 更加突出开放创新，突出技术创新与应用创新并重、行业高质量数据集建设及新模式新业态培育 [5]

AI善治联合体扩容 - 业内首个AI善治联合体"人本智能倡议"新增百度、MiniMax、浪潮信息、慧与科技等7家科技企业成员，覆盖大模型、算力基础设施及AI医疗等关键领域 [1] - 联合体成员总数近50家，形成技术研发、应用落地与伦理治理全链条覆盖 [1] - 人工智能治理被定义为技术发展的方向性框架，中国将安全与治理能力纳入AI能力建设核心组成部分 [1] 谷歌数据滥用案判决 - 谷歌因未经许可收集安卓用户数据被判赔偿加州用户3.146亿美元，涉及约1400万名居民 [2] - 陪审团认定谷歌在设备闲置时收发用户数据构成"强制性负担"，数据用于定向广告却让用户承担流量费用 [2] - 谷歌辩称用户已通过服务条款授权操作且未造成实际损害，但判决被视为数据透明化治理的标杆案例 [2] 迪拜空中出租车进展 - 迪拜成功试飞4座垂直起降空中出租车，最高时速320公里，计划2026年启动商业运营 [3] - 首条航线连接迪拜国际机场与朱美拉棕榈岛，飞行时间12分钟（较驾车缩短33分钟） [3] - 项目由迪拜交通部门与美国企业合作推进，标志着立体出行技术进入商业化倒计时阶段 [3]

战略篇 - AI战略成功的关键在于与业务的深度融合而非技术领先 技术领先但缺乏业务场景融合的项目易失败 银行业通过成熟AI技术强化风控降低坏账率 零售业通过AI优化供应链预测减少库存积压提升门店坪效 [2] - 并非所有问题都适合用AI解决 传统统计方法或自动化脚本可低成本高效解决的问题无需强行上AI 某公司曾用AI处理销售报表分析导致资源浪费且效果不佳 [3] - 追求长期价值的AI战略更易成功 短期ROI不明显但战略价值高的AI应用如用户画像和个性化推荐可提升用户粘性构建竞争壁垒 亚马逊早期推荐系统投入虽未直接盈利但长期形成护城河 [4] - AI项目成功标志是业务价值提升而非技术先进性 不以业务价值提升为目标的AI项目均被视为无效 企业需以实际业务提升评估AI投入产出 [5] 技术篇 - 影响AI落地的最大因素是"数据孤岛"而非人才或资金 数据分散标准不一导致AI模型训练和部署困难 大型企业需先进行数据治理和流程再造 [6] - 购买现成AI解决方案比完全自研更适合大多数企业 除非AI是公司核心竞争力否则无需从零研发 成熟AI平台和行业工具可快速实现AI能力 [7] - 模型实用性和可解释性比参数规模更重要 复杂深度学习模型可能成为"黑箱" 简单模型如决策树和逻辑回归更易理解信任和排查问题 [8] - 模型安全性、伦理与责任是红线 AI系统需建立完善数据治理和隐私保护机制 多层级安全防护和数据权限管控确保系统安全性 [9] 人才与组织篇 - 企业更需要既懂业务又懂AI的复合型人才而非单纯AI科学家 AI产品经理和解决方案架构师是连接技术与业务的关键桥梁 [10] - 提升全体员工AI素养比依赖个别AI精英更重要 全员AI培训可形成学习应用AI的整体氛围 类似丰田"改善"文化的"AI赋能"文化更有效 [11] - AI落地失败主因是组织文化和沟通问题而非技术 业务部门不配合需求不明确或缺乏高层支持导致项目失败 [12] - AI时代需要跨多领域人才而非单一技能人才 融合不同专业知识的跨领域人才能更好应对复杂多元业务需求 [13] 实施运营篇 - AI落地需持续运营优化而非一次性投入 数据变化和业务需求调整要求AI模型持续监控评估和迭代 需专门MLOps流程和团队支持 [14] - 专注于边界明确的小问题比颠覆行业更易成功 解决具体小问题如优化门店补货效率比构建"工厂大脑"更现实 [15][16] - AI工具的员工体验比模型智能更重要 操作复杂界面反人类的AI工具难以推广 简洁易上手的设计可提升采纳率 [17][18]